Yapay zekanın ilaç sektöründe devrim yaratması bekleniyor. Yapay zeka teknolojilerinin hızla gelişmesi, ilaç endüstrisinde de büyük bir dönüşümü tetikliyor.

Araştırma ve geliştirme süreçlerinde yapay zekanın kullanımının artması, yeni ilaçların keşfi ve geliştirilmesini hızlandırırken, tedavi yöntemlerinde de önemli ilerlemeler kaydedilmesini sağlıyor. Bu yenilik, büyük ilaç şirketlerini daha etkin ve verimli çalışma yöntemlerine yönlendiriyor ve sağlık sektöründe yapay zekanın rolünün giderek arttığını gözler önüne seriyor.

Yirmi birinci yüzyılın endüstri liderleri, yapay zekayı (AI) dünyamızın her köşesine entegre etmeye çalışıyor. Ancak yapay zekanın her alanda başarılı olamayacağı düşünülse de, yeni ilaçların tasarlanması, bulunması ve test edilmesi gibi onlarca yıl sürebilen süreçleri hızlandırarak gerçekten faydalı olabileceği bir alan mevcut.

Yeni bir ilaç projesinin başarısızlık riskiyle karşı karşıya kalması oldukça yaygın bir durumdur. Her ilaç projesi, laboratuvar testlerine başlamak için yeterli bir hipotez oluşturmak amacıyla üç ila beş yıl arasında bir süreç gerektirir. Profesör Duxin Sun'un 2022 tarihli çalışmasına göre, klinik ilaç geliştirme süreçlerinin %90'ı başarısızlıkla sonuçlanmakta ve her proje 2 milyar dolardan fazla maliyete neden olmaktadır. Bu rakam, preklinik aşamada çalışmayacak olarak bulunan bileşikleri bile içermemektedir. Başka bir deyişle, her başarılı ilaç, başarısız olan "kardeşleri" tarafından üretilen en az 18 milyar dolarlık israfı desteklemek zorundadır. Bu durum, daha az karlı ve nadir hastalıkların tedavilerine odaklanılmasını engelleyen bir faktördür.

Benevolent şirketinin yapay zeka başkanı Dr. Nicola Richmond, klasik sistemde araştırmacıların önce hastalığa neden olan bir protein bulmaları, ardından bu proteini düzeltici bir molekül bulmaları gerektiğini açıklıyor. Bir molekül bulunduktan sonra, bunun hasta tarafından alınabilecek bir forma dönüştürülmesi ve hem güvenli hem de etkili olduğunun test edilmesi gerekiyor. Klinik deneylere ve insan üzerinde testlere ulaşmak yıllar alıyor ve çoğu zaman, teoride işe yarayan şeylerin pratikte işe yaramadığı bu aşamada anlaşılıyor.

Recursion şirketinin kurucu ortağı Dr. Chris Gibson, mevcut sürecin her onaylanan ilaç için on yılı aşkın süre ve milyarlarca dolarlık araştırma yatırımı gerektirdiğini belirtiyor. Gibson'a göre yapay zekanın büyük becerisi, araştırmacıların kör noktalarda fazla zaman kaybetmelerini önlemek ve yüzlerce seçeneği aynı anda değerlendirebilen bir yazılım platformunun erken ve hızlı bir şekilde başarısız olmasını sağlayarak diğer hedeflere geçmelerine yardımcı olabilir.

Yapay zeka şimdide ilaç yapacak! Peki sırada ne var?

Dr. Anne E. Carpenter, MIT ve Harvard'ın Broad Enstitüsü'nde Carpenter-Singh laboratuvarının kurucusudur. On yıldan fazla bir süredir, hücrelerdeki elementleri boyalar yardımıyla vurgulayarak bilgisayar tarafından okunabilir hale getiren Hücre Boyama tekniği üzerinde çalışmalar yapmıştır. Aynı zamanda, bu boyalı hücrelerin görüntülerinden oluşan geniş veri havuzlarını AI ile analiz edebilmenin yollarını sunan Hücre Profili geliştiricilerindendir. Bu çalışmalar bir araya geldiğinde, bir makinenin hastalığın varlığı veya bir tedavinin etkisi altında hücrelerin nasıl değiştiğini görmesi kolaylaşır. Ve "omiks" olarak bilinen disiplinde hücrenin her parçasına bütünsel olarak bakıldığında, AI sistemlerinin üstünde olduğu bağlantılar kurma konusunda daha fazla fırsat sunar.

Potansiyel tedavileri belirlemek için resimler kullanmak, görünen şeylerin her zaman gerçek durumu yansıtmadığı düşünüldüğünde, biraz alışılmışın dışında görünebilir, değil mi? Carpenter, insanların her zaman yalnızca görerek tıbbi durumlar hakkında bilinçaltı varsayımlarda bulunduğunu söyledi. Çoğu insanın birinin yüzüne bakarak kromozomal bir sorunları olabileceği sonucuna varabileceğini açıkladı. Deneyimleri sonucunda profesyonel klinik uzmanları da yalnızca görerek birçok bozukluğu tanıyabilir. Carpenter, belirli bir nüfustaki herkesin yüzünün bir resmini çektiğinizde, bir bilgisayarın ortak özelliklere göre düzenlerini ve desenlerini tanıyabileceğini ekledi.

Bu mantık, sağlıklı ve hastalıklı örneklerden alınan hücre resimlerine de uygulanabilir. Bir insan bunu yapabiliyorsa, bir bilgisayarın bu farklılıkları ölçeklendirerek ve doğrulukla tespit etmesi daha hızlı ve kolay olmalıdır. "Bu verilerin kendi kendine gruplara ayrılmasına izin veriyorsunuz ve artık desenler görmeye başlıyorsunuz," dedi. "Hücreleri birer birer 100.000 farklı bileşikle tedavi ettiğimizde, 'işte birbirine çok benzeyen iki kimyasal' diyebiliriz." Ve bu benzeyiş, sadece bir tesadüf değil, aynı zamanda onların davranışlarına dair belirgin bir gösterge gibi görünüyor.

Bir örnekte, Carpenter, iki farklı bileşiğin bir hücrede benzer etkiler üretebileceğini ve dolayısıyla aynı durumu tedavi etmek için kullanılabileceğini belirtti. Eğer öyleyse, iki bileşikten biri - bu amaçla tasarlanmamış olabilir - daha az zararlı yan etkilere sahip olabilir. Ardından, hastalık tarafından etkilendiğini bilmediğimiz bir şeyi tanımlayabilme potansiyeli var. "Bize, 'bak, bu yolda çok iyi bilinen beş genden oluşan bu küme var, ama altıncısının ne işe yaradığını bilmiyorduk, şimdi aynı biyolojik süreçte yer aldığına dair güçlü bir ipucumuz var' dememizi sağlıyor. Belki diğer beş gen, bir nedenle, doğrudan hedefler olarak uygun değildir, belki kimyasallar bağlanmaz," dedi, "ama altıncı gen bunun için gerçekten mükemmel olabilir."

Yapay zeka teknolojileri, modern tıbbın en karmaşık sorunlarına çözüm arayan ilaç keşfi süreçlerinde giderek daha fazla yer buluyor. Örneğin, BenevolentAI gibi şirketler, spesifik bir hastalık hakkında biyolojik bir soru formüle ederek işe başlıyorlar. Diyelim ki, ekip, ALS hastalığını hücrenin kendi temizlik sistemini iyileştirerek veya düzelterek tedavi etmenin yollarını araştırmak istiyor. Bu, tamamen kurgusal bir örnek olsa da, sürecin nasıl işlediğine dair fikir veriyor.

Bu sorular, BenevolentAI'nin yapay zeka modelleri tarafından ele alınıyor ve geniş bir veri kaynağı havuzundan bilgiler çekilerek değerlendiriliyor. Model, bu sorulara potansiyel cevaplar sunuyor; bu cevaplar, yeni bileşikler veya mevcut ilaçların uygun hale getirilebileceği şekilleri içerebilir. Elde edilen veriler daha sonra bir araştırmacı tarafından inceleniyor ve bulgulara ne kadar ağırlık verileceğine karar veriliyor. Model, önerilerini desteklemek için mevcut literatürden veya kaynaklardan kanıtlar sunmak zorunda, hatta öneriler beklenmedik olsa bile. Her zaman son sözü insanlar söylüyor ve hangi sonuçların takip edileceğine onlar karar veriyor.

Recursion'da durum benzer bir şekilde ilerliyor. Dr. Gibson, şirketin modelinin artık "herhangi bir ilacın herhangi bir hastalıkla nasıl etkileşeceğini fiziksel olarak test etmeye gerek kalmadan tahmin edebilecek kapasitede" olduğunu belirtiyor. Bu model, zaten emilmiş ve simüle edilmiş verilere dayanarak üç trilyon tahmin oluşturmuş durumda. Araştırmacılar, bir terminalde oturup, örneğin meme kanseri ile ilişkili bir geni yazdıklarında, sistemle ilişkili olduğuna inandığı diğer genler ve bileşikler listeleniyor.

Gerçekten heyecan verici olan, listelerde daha önce kimsenin duymadığı bir genin ortaya çıkması ve bu durumun, dünyanın varlığından haberdar olmadığı yeni bir biyoloji alanı gibi hissettirmesi. Bir hedef belirlendikten ve bulgular insanlar tarafından kontrol edildikten sonra, veriler Recursion'un kendi iç laboratuvarına aktarılıyor. Burada, simülasyonda bulunanların gerçek dünyada tekrarlanıp tekrarlanamayacağını görmek için ilk deneyler yapılıyor. Dr. Gibson'a göre, şirketin büyük ölçüde otomatikleştirilmiş ıslak laboratuvarı, bir çalışma haftasında iki milyondan fazla deney yapabiliyor.

Yaklaşık altı hafta sonra, çok az insan müdahalesiyle sonuçlar alınıyor ve eğer başarılı olursa, şirket gerçekten yatırım yapmaya başlıyor. Başlangıçtaki kısa doğrulama çalışması, şirkete çok az para ve zaman kaybettiriyor. Bu söz, üç yıllık bir preklinik aşamayı, birkaç veritabanı araması, biraz gözetim ve ardından sistem hipotezlerinin gerçekten araştırılmaya değer olup olmadığını doğrulamak için birkaç haftalık ex vivo testlere sıkıştırma vaadinde bulunuyor.

Henüz bu yaklaşımı doğrulayan somut bir başarı hikayesi yok. Ancak Recursion, platformunun bir kritik çalışmanın başarısına ne kadar yaklaştığını gösteren gerçek dünya örneklerinden bahsedebilir. Nisan 2020'de, COVID-19 dizilimini sisteminden geçirerek potansiyel tedavileri inceledi. Hem FDA onaylı ilaçları hem de geç aşama klinik denemelerdeki adayları inceledi. Sistem, daha fazla analiz gerektiren dokuz potansiyel aday üretti, bunlardan sekizi daha sonra doğru olduğu kanıtlandı. Ayrıca, pandeminin en erken günlerinde çok konuşulan Hidroksiklorokin ve İvermektin'in başarısız olacağını belirtti.

Şu anda gerçek dünya klinik denemelerinde olan AI destekli ilaçlar var. Recursion, şu anda birinci aşama (sağlıklı hastalarda testler) denemelerini tamamlamak üzere olan veya ikinci aşama (soruşturulan nadir hastalıklara sahip insanlarda denemeler) klinik testlere giren beş projeyi işaret ediyor. Benevolent, ülseratif kolit tedavisi için birinci aşama denemesine başladı ve bu tedavi, diğer iltihaplı bağırsak hastalıklarına da yardımcı olabilir. Ve eğer başarılı olursa, AI'nin insanların gözden kaçırdığı bağlantıları tespit edebileceği fikrine ağırlık katacak.

Yapay zeka teknolojilerinin ilaç keşfi sürecindeki tek belirleyici güç olarak ne kadar güvenilir olduğu, eğitim verilerinin kalitesi ve genel kaynaklardaki önyargılar dahil olmak üzere pek çok soru işareti bulunuyor. Dr. Richmond, genetik veri kaynaklarındaki önyargılar konusunda, hem hücre kültürlerinin homojenliği hem de bu testlerin nasıl yapıldığı açısından sorunları vurguluyor.

Benzer şekilde, Dr. Carpenter, en son projesi olan kamuoyuna açık JUMP-Cell Painting projesinin sonuçlarının tek bir katılımcının hücrelerine dayandığını söylüyor. İdeal bir dünyada, çok daha geniş bir katılımcı ve hücre türü yelpazesine sahip olmak isterdi, ancak şu anki sorunlar, fonlama ve zamanın, ya da daha doğrusu, bunların yokluğunun etrafında dönüyor.

Şimdilik, bu erken denemelerin sonuçlarını beklemekten ve umut etmekten başka yapabileceğimiz çok şey yok. Yapay zekanın potansiyel uygulamaları gibi, değeri büyük ölçüde iş kalitesini iyileştirme yeteneğine veya daha olası olarak, işletme için alt çizgiyi iyileştirme yeteneğine bağlı olacak. Ancak, yapay zeka yeterince çekici tasarruflar sağlayabilirse, mevcut sistem altında yatırım geri dönüşü sağlama olasılığı düşük olan hastalıklar bile bir şans bulabilir. Bu, bir hype patlamasıyla sonuçlanabilir veya nadir hastalıklarla mücadele eden ailelere gerçek bir umut sunabilir.

Yapay zeka şimdide ilaç yapacak! Peki sırada ne var?

Dr. Anne E. Carpenter, MIT ve Harvard'ın Broad Enstitüsü'nde Carpenter-Singh laboratuvarının kurucusudur. On yıldan fazla bir süredir, hücrelerdeki elementleri boyalar yardımıyla vurgulayarak bilgisayar tarafından okunabilir hale getiren Hücre Boyama tekniği üzerinde çalışmalar yapmıştır. Aynı zamanda, bu boyalı hücrelerin görüntülerinden oluşan geniş veri havuzlarını AI ile analiz edebilmenin yollarını sunan Hücre Profili geliştiricilerindendir. Bu çalışmalar bir araya geldiğinde, bir makinenin hastalığın varlığı veya bir tedavinin etkisi altında hücrelerin nasıl değiştiğini görmesi kolaylaşır. Ve "omiks" olarak bilinen disiplinde hücrenin her parçasına bütünsel olarak bakıldığında, AI sistemlerinin üstünde olduğu bağlantılar kurma konusunda daha fazla fırsat sunar.

Potansiyel tedavileri belirlemek için resimler kullanmak, görünen şeylerin her zaman gerçek durumu yansıtmadığı düşünüldüğünde, biraz alışılmışın dışında görünebilir, değil mi? Carpenter, insanların her zaman yalnızca görerek tıbbi durumlar hakkında bilinçaltı varsayımlarda bulunduğunu söyledi. Çoğu insanın birinin yüzüne bakarak kromozomal bir sorunları olabileceği sonucuna varabileceğini açıkladı. Deneyimleri sonucunda profesyonel klinik uzmanları da yalnızca görerek birçok bozukluğu tanıyabilir. Carpenter, belirli bir nüfustaki herkesin yüzünün bir resmini çektiğinizde, bir bilgisayarın ortak özelliklere göre düzenlerini ve desenlerini tanıyabileceğini ekledi.

Bu mantık, sağlıklı ve hastalıklı örneklerden alınan hücre resimlerine de uygulanabilir. Bir insan bunu yapabiliyorsa, bir bilgisayarın bu farklılıkları ölçeklendirerek ve doğrulukla tespit etmesi daha hızlı ve kolay olmalıdır. "Bu verilerin kendi kendine gruplara ayrılmasına izin veriyorsunuz ve artık desenler görmeye başlıyorsunuz," dedi. "Hücreleri birer birer 100.000 farklı bileşikle tedavi ettiğimizde, 'işte birbirine çok benzeyen iki kimyasal' diyebiliriz." Ve bu benzeyiş, sadece bir tesadüf değil, aynı zamanda onların davranışlarına dair belirgin bir gösterge gibi görünüyor.

Bir örnekte, Carpenter, iki farklı bileşiğin bir hücrede benzer etkiler üretebileceğini ve dolayısıyla aynı durumu tedavi etmek için kullanılabileceğini belirtti. Eğer öyleyse, iki bileşikten biri - bu amaçla tasarlanmamış olabilir - daha az zararlı yan etkilere sahip olabilir. Ardından, hastalık tarafından etkilendiğini bilmediğimiz bir şeyi tanımlayabilme potansiyeli var. "Bize, 'bak, bu yolda çok iyi bilinen beş genden oluşan bu küme var, ama altıncısının ne işe yaradığını bilmiyorduk, şimdi aynı biyolojik süreçte yer aldığına dair güçlü bir ipucumuz var' dememizi sağlıyor. Belki diğer beş gen, bir nedenle, doğrudan hedefler olarak uygun değildir, belki kimyasallar bağlanmaz," dedi, "ama altıncı gen bunun için gerçekten mükemmel olabilir."

Yapay zeka teknolojileri, modern tıbbın en karmaşık sorunlarına çözüm arayan ilaç keşfi süreçlerinde giderek daha fazla yer buluyor. Örneğin, BenevolentAI gibi şirketler, spesifik bir hastalık hakkında biyolojik bir soru formüle ederek işe başlıyorlar. Diyelim ki, ekip, ALS hastalığını hücrenin kendi temizlik sistemini iyileştirerek veya düzelterek tedavi etmenin yollarını araştırmak istiyor. Bu, tamamen kurgusal bir örnek olsa da, sürecin nasıl işlediğine dair fikir veriyor.

Bu sorular, BenevolentAI'nin yapay zeka modelleri tarafından ele alınıyor ve geniş bir veri kaynağı havuzundan bilgiler çekilerek değerlendiriliyor. Model, bu sorulara potansiyel cevaplar sunuyor; bu cevaplar, yeni bileşikler veya mevcut ilaçların uygun hale getirilebileceği şekilleri içerebilir. Elde edilen veriler daha sonra bir araştırmacı tarafından inceleniyor ve bulgulara ne kadar ağırlık verileceğine karar veriliyor. Model, önerilerini desteklemek için mevcut literatürden veya kaynaklardan kanıtlar sunmak zorunda, hatta öneriler beklenmedik olsa bile. Her zaman son sözü insanlar söylüyor ve hangi sonuçların takip edileceğine onlar karar veriyor.

Recursion'da durum benzer bir şekilde ilerliyor. Dr. Gibson, şirketin modelinin artık "herhangi bir ilacın herhangi bir hastalıkla nasıl etkileşeceğini fiziksel olarak test etmeye gerek kalmadan tahmin edebilecek kapasitede" olduğunu belirtiyor. Bu model, zaten emilmiş ve simüle edilmiş verilere dayanarak üç trilyon tahmin oluşturmuş durumda. Araştırmacılar, bir terminalde oturup, örneğin meme kanseri ile ilişkili bir geni yazdıklarında, sistemle ilişkili olduğuna inandığı diğer genler ve bileşikler listeleniyor.

Gerçekten heyecan verici olan, listelerde daha önce kimsenin duymadığı bir genin ortaya çıkması ve bu durumun, dünyanın varlığından haberdar olmadığı yeni bir biyoloji alanı gibi hissettirmesi. Bir hedef belirlendikten ve bulgular insanlar tarafından kontrol edildikten sonra, veriler Recursion'un kendi iç laboratuvarına aktarılıyor. Burada, simülasyonda bulunanların gerçek dünyada tekrarlanıp tekrarlanamayacağını görmek için ilk deneyler yapılıyor. Dr. Gibson'a göre, şirketin büyük ölçüde otomatikleştirilmiş ıslak laboratuvarı, bir çalışma haftasında iki milyondan fazla deney yapabiliyor.

Yaklaşık altı hafta sonra, çok az insan müdahalesiyle sonuçlar alınıyor ve eğer başarılı olursa, şirket gerçekten yatırım yapmaya başlıyor. Başlangıçtaki kısa doğrulama çalışması, şirkete çok az para ve zaman kaybettiriyor. Bu söz, üç yıllık bir preklinik aşamayı, birkaç veritabanı araması, biraz gözetim ve ardından sistem hipotezlerinin gerçekten araştırılmaya değer olup olmadığını doğrulamak için birkaç haftalık ex vivo testlere sıkıştırma vaadinde bulunuyor.

Henüz bu yaklaşımı doğrulayan somut bir başarı hikayesi yok. Ancak Recursion, platformunun bir kritik çalışmanın başarısına ne kadar yaklaştığını gösteren gerçek dünya örneklerinden bahsedebilir. Nisan 2020'de, COVID-19 dizilimini sisteminden geçirerek potansiyel tedavileri inceledi. Hem FDA onaylı ilaçları hem de geç aşama klinik denemelerdeki adayları inceledi. Sistem, daha fazla analiz gerektiren dokuz potansiyel aday üretti, bunlardan sekizi daha sonra doğru olduğu kanıtlandı. Ayrıca, pandeminin en erken günlerinde çok konuşulan Hidroksiklorokin ve İvermektin'in başarısız olacağını belirtti.

Şu anda gerçek dünya klinik denemelerinde olan AI destekli ilaçlar var. Recursion, şu anda birinci aşama (sağlıklı hastalarda testler) denemelerini tamamlamak üzere olan veya ikinci aşama (soruşturulan nadir hastalıklara sahip insanlarda denemeler) klinik testlere giren beş projeyi işaret ediyor. Benevolent, ülseratif kolit tedavisi için birinci aşama denemesine başladı ve bu tedavi, diğer iltihaplı bağırsak hastalıklarına da yardımcı olabilir. Ve eğer başarılı olursa, AI'nin insanların gözden kaçırdığı bağlantıları tespit edebileceği fikrine ağırlık katacak.

Yapay zeka teknolojilerinin ilaç keşfi sürecindeki tek belirleyici güç olarak ne kadar güvenilir olduğu, eğitim verilerinin kalitesi ve genel kaynaklardaki önyargılar dahil olmak üzere pek çok soru işareti bulunuyor. Dr. Richmond, genetik veri kaynaklarındaki önyargılar konusunda, hem hücre kültürlerinin homojenliği hem de bu testlerin nasıl yapıldığı açısından sorunları vurguluyor.

Benzer şekilde, Dr. Carpenter, en son projesi olan kamuoyuna açık JUMP-Cell Painting projesinin sonuçlarının tek bir katılımcının hücrelerine dayandığını söylüyor. İdeal bir dünyada, çok daha geniş bir katılımcı ve hücre türü yelpazesine sahip olmak isterdi, ancak şu anki sorunlar, fonlama ve zamanın, ya da daha doğrusu, bunların yokluğunun etrafında dönüyor.

Şimdilik, bu erken denemelerin sonuçlarını beklemekten ve umut etmekten başka yapabileceğimiz çok şey yok. Yapay zekanın potansiyel uygulamaları gibi, değeri büyük ölçüde iş kalitesini iyileştirme yeteneğine veya daha olası olarak, işletme için alt çizgiyi iyileştirme yeteneğine bağlı olacak. Ancak, yapay zeka yeterince çekici tasarruflar sağlayabilirse, mevcut sistem altında yatırım geri dönüşü sağlama olasılığı düşük olan hastalıklar bile bir şans bulabilir. Bu, bir hype patlamasıyla sonuçlanabilir veya nadir hastalıklarla mücadele eden ailelere gerçek bir umut sunabilir.

Araştırma ve geliştirme süreçlerinde yapay zekanın kullanımının artması, yeni ilaçların keşfi ve geliştirilmesini hızlandırırken, tedavi yöntemlerinde de önemli ilerlemeler kaydedilmesini sağlıyor. Bu yenilik, büyük ilaç şirketlerini daha etkin ve verimli çalışma yöntemlerine yönlendiriyor ve sağlık sektöründe yapay zekanın rolünün giderek arttığını gözler önüne seriyor.

Yirmi birinci yüzyılın endüstri liderleri, yapay zekayı (AI) dünyamızın her köşesine entegre etmeye çalışıyor. Ancak yapay zekanın her alanda başarılı olamayacağı düşünülse de, yeni ilaçların tasarlanması, bulunması ve test edilmesi gibi onlarca yıl sürebilen süreçleri hızlandırarak gerçekten faydalı olabileceği bir alan mevcut.

Yeni bir ilaç projesinin başarısızlık riskiyle karşı karşıya kalması oldukça yaygın bir durumdur. Her ilaç projesi, laboratuvar testlerine başlamak için yeterli bir hipotez oluşturmak amacıyla üç ila beş yıl arasında bir süreç gerektirir. Profesör Duxin Sun'un 2022 tarihli çalışmasına göre, klinik ilaç geliştirme süreçlerinin %90'ı başarısızlıkla sonuçlanmakta ve her proje 2 milyar dolardan fazla maliyete neden olmaktadır. Bu rakam, preklinik aşamada çalışmayacak olarak bulunan bileşikleri bile içermemektedir. Başka bir deyişle, her başarılı ilaç, başarısız olan "kardeşleri" tarafından üretilen en az 18 milyar dolarlık israfı desteklemek zorundadır. Bu durum, daha az karlı ve nadir hastalıkların tedavilerine odaklanılmasını engelleyen bir faktördür.

Benevolent şirketinin yapay zeka başkanı Dr. Nicola Richmond, klasik sistemde araştırmacıların önce hastalığa neden olan bir protein bulmaları, ardından bu proteini düzeltici bir molekül bulmaları gerektiğini açıklıyor. Bir molekül bulunduktan sonra, bunun hasta tarafından alınabilecek bir forma dönüştürülmesi ve hem güvenli hem de etkili olduğunun test edilmesi gerekiyor. Klinik deneylere ve insan üzerinde testlere ulaşmak yıllar alıyor ve çoğu zaman, teoride işe yarayan şeylerin pratikte işe yaramadığı bu aşamada anlaşılıyor.

Recursion şirketinin kurucu ortağı Dr. Chris Gibson, mevcut sürecin her onaylanan ilaç için on yılı aşkın süre ve milyarlarca dolarlık araştırma yatırımı gerektirdiğini belirtiyor. Gibson'a göre yapay zekanın büyük becerisi, araştırmacıların kör noktalarda fazla zaman kaybetmelerini önlemek ve yüzlerce seçeneği aynı anda değerlendirebilen bir yazılım platformunun erken ve hızlı bir şekilde başarısız olmasını sağlayarak diğer hedeflere geçmelerine yardımcı olabilir.

Yapay zeka şimdide ilaç yapacak! Peki sırada ne var?

Dr. Anne E. Carpenter, MIT ve Harvard'ın Broad Enstitüsü'nde Carpenter-Singh laboratuvarının kurucusudur. On yıldan fazla bir süredir, hücrelerdeki elementleri boyalar yardımıyla vurgulayarak bilgisayar tarafından okunabilir hale getiren Hücre Boyama tekniği üzerinde çalışmalar yapmıştır. Aynı zamanda, bu boyalı hücrelerin görüntülerinden oluşan geniş veri havuzlarını AI ile analiz edebilmenin yollarını sunan Hücre Profili geliştiricilerindendir. Bu çalışmalar bir araya geldiğinde, bir makinenin hastalığın varlığı veya bir tedavinin etkisi altında hücrelerin nasıl değiştiğini görmesi kolaylaşır. Ve "omiks" olarak bilinen disiplinde hücrenin her parçasına bütünsel olarak bakıldığında, AI sistemlerinin üstünde olduğu bağlantılar kurma konusunda daha fazla fırsat sunar.

Potansiyel tedavileri belirlemek için resimler kullanmak, görünen şeylerin her zaman gerçek durumu yansıtmadığı düşünüldüğünde, biraz alışılmışın dışında görünebilir, değil mi? Carpenter, insanların her zaman yalnızca görerek tıbbi durumlar hakkında bilinçaltı varsayımlarda bulunduğunu söyledi. Çoğu insanın birinin yüzüne bakarak kromozomal bir sorunları olabileceği sonucuna varabileceğini açıkladı. Deneyimleri sonucunda profesyonel klinik uzmanları da yalnızca görerek birçok bozukluğu tanıyabilir. Carpenter, belirli bir nüfustaki herkesin yüzünün bir resmini çektiğinizde, bir bilgisayarın ortak özelliklere göre düzenlerini ve desenlerini tanıyabileceğini ekledi.

Bu mantık, sağlıklı ve hastalıklı örneklerden alınan hücre resimlerine de uygulanabilir. Bir insan bunu yapabiliyorsa, bir bilgisayarın bu farklılıkları ölçeklendirerek ve doğrulukla tespit etmesi daha hızlı ve kolay olmalıdır. "Bu verilerin kendi kendine gruplara ayrılmasına izin veriyorsunuz ve artık desenler görmeye başlıyorsunuz," dedi. "Hücreleri birer birer 100.000 farklı bileşikle tedavi ettiğimizde, 'işte birbirine çok benzeyen iki kimyasal' diyebiliriz." Ve bu benzeyiş, sadece bir tesadüf değil, aynı zamanda onların davranışlarına dair belirgin bir gösterge gibi görünüyor.

Bir örnekte, Carpenter, iki farklı bileşiğin bir hücrede benzer etkiler üretebileceğini ve dolayısıyla aynı durumu tedavi etmek için kullanılabileceğini belirtti. Eğer öyleyse, iki bileşikten biri - bu amaçla tasarlanmamış olabilir - daha az zararlı yan etkilere sahip olabilir. Ardından, hastalık tarafından etkilendiğini bilmediğimiz bir şeyi tanımlayabilme potansiyeli var. "Bize, 'bak, bu yolda çok iyi bilinen beş genden oluşan bu küme var, ama altıncısının ne işe yaradığını bilmiyorduk, şimdi aynı biyolojik süreçte yer aldığına dair güçlü bir ipucumuz var' dememizi sağlıyor. Belki diğer beş gen, bir nedenle, doğrudan hedefler olarak uygun değildir, belki kimyasallar bağlanmaz," dedi, "ama altıncı gen bunun için gerçekten mükemmel olabilir."

Yapay zeka teknolojileri, modern tıbbın en karmaşık sorunlarına çözüm arayan ilaç keşfi süreçlerinde giderek daha fazla yer buluyor. Örneğin, BenevolentAI gibi şirketler, spesifik bir hastalık hakkında biyolojik bir soru formüle ederek işe başlıyorlar. Diyelim ki, ekip, ALS hastalığını hücrenin kendi temizlik sistemini iyileştirerek veya düzelterek tedavi etmenin yollarını araştırmak istiyor. Bu, tamamen kurgusal bir örnek olsa da, sürecin nasıl işlediğine dair fikir veriyor.

Bu sorular, BenevolentAI'nin yapay zeka modelleri tarafından ele alınıyor ve geniş bir veri kaynağı havuzundan bilgiler çekilerek değerlendiriliyor. Model, bu sorulara potansiyel cevaplar sunuyor; bu cevaplar, yeni bileşikler veya mevcut ilaçların uygun hale getirilebileceği şekilleri içerebilir. Elde edilen veriler daha sonra bir araştırmacı tarafından inceleniyor ve bulgulara ne kadar ağırlık verileceğine karar veriliyor. Model, önerilerini desteklemek için mevcut literatürden veya kaynaklardan kanıtlar sunmak zorunda, hatta öneriler beklenmedik olsa bile. Her zaman son sözü insanlar söylüyor ve hangi sonuçların takip edileceğine onlar karar veriyor.

Recursion'da durum benzer bir şekilde ilerliyor. Dr. Gibson, şirketin modelinin artık "herhangi bir ilacın herhangi bir hastalıkla nasıl etkileşeceğini fiziksel olarak test etmeye gerek kalmadan tahmin edebilecek kapasitede" olduğunu belirtiyor. Bu model, zaten emilmiş ve simüle edilmiş verilere dayanarak üç trilyon tahmin oluşturmuş durumda. Araştırmacılar, bir terminalde oturup, örneğin meme kanseri ile ilişkili bir geni yazdıklarında, sistemle ilişkili olduğuna inandığı diğer genler ve bileşikler listeleniyor.

Gerçekten heyecan verici olan, listelerde daha önce kimsenin duymadığı bir genin ortaya çıkması ve bu durumun, dünyanın varlığından haberdar olmadığı yeni bir biyoloji alanı gibi hissettirmesi. Bir hedef belirlendikten ve bulgular insanlar tarafından kontrol edildikten sonra, veriler Recursion'un kendi iç laboratuvarına aktarılıyor. Burada, simülasyonda bulunanların gerçek dünyada tekrarlanıp tekrarlanamayacağını görmek için ilk deneyler yapılıyor. Dr. Gibson'a göre, şirketin büyük ölçüde otomatikleştirilmiş ıslak laboratuvarı, bir çalışma haftasında iki milyondan fazla deney yapabiliyor.

Yaklaşık altı hafta sonra, çok az insan müdahalesiyle sonuçlar alınıyor ve eğer başarılı olursa, şirket gerçekten yatırım yapmaya başlıyor. Başlangıçtaki kısa doğrulama çalışması, şirkete çok az para ve zaman kaybettiriyor. Bu söz, üç yıllık bir preklinik aşamayı, birkaç veritabanı araması, biraz gözetim ve ardından sistem hipotezlerinin gerçekten araştırılmaya değer olup olmadığını doğrulamak için birkaç haftalık ex vivo testlere sıkıştırma vaadinde bulunuyor.

Henüz bu yaklaşımı doğrulayan somut bir başarı hikayesi yok. Ancak Recursion, platformunun bir kritik çalışmanın başarısına ne kadar yaklaştığını gösteren gerçek dünya örneklerinden bahsedebilir. Nisan 2020'de, COVID-19 dizilimini sisteminden geçirerek potansiyel tedavileri inceledi. Hem FDA onaylı ilaçları hem de geç aşama klinik denemelerdeki adayları inceledi. Sistem, daha fazla analiz gerektiren dokuz potansiyel aday üretti, bunlardan sekizi daha sonra doğru olduğu kanıtlandı. Ayrıca, pandeminin en erken günlerinde çok konuşulan Hidroksiklorokin ve İvermektin'in başarısız olacağını belirtti.

Şu anda gerçek dünya klinik denemelerinde olan AI destekli ilaçlar var. Recursion, şu anda birinci aşama (sağlıklı hastalarda testler) denemelerini tamamlamak üzere olan veya ikinci aşama (soruşturulan nadir hastalıklara sahip insanlarda denemeler) klinik testlere giren beş projeyi işaret ediyor. Benevolent, ülseratif kolit tedavisi için birinci aşama denemesine başladı ve bu tedavi, diğer iltihaplı bağırsak hastalıklarına da yardımcı olabilir. Ve eğer başarılı olursa, AI'nin insanların gözden kaçırdığı bağlantıları tespit edebileceği fikrine ağırlık katacak.

Yapay zeka teknolojilerinin ilaç keşfi sürecindeki tek belirleyici güç olarak ne kadar güvenilir olduğu, eğitim verilerinin kalitesi ve genel kaynaklardaki önyargılar dahil olmak üzere pek çok soru işareti bulunuyor. Dr. Richmond, genetik veri kaynaklarındaki önyargılar konusunda, hem hücre kültürlerinin homojenliği hem de bu testlerin nasıl yapıldığı açısından sorunları vurguluyor.

Benzer şekilde, Dr. Carpenter, en son projesi olan kamuoyuna açık JUMP-Cell Painting projesinin sonuçlarının tek bir katılımcının hücrelerine dayandığını söylüyor. İdeal bir dünyada, çok daha geniş bir katılımcı ve hücre türü yelpazesine sahip olmak isterdi, ancak şu anki sorunlar, fonlama ve zamanın, ya da daha doğrusu, bunların yokluğunun etrafında dönüyor.

Şimdilik, bu erken denemelerin sonuçlarını beklemekten ve umut etmekten başka yapabileceğimiz çok şey yok. Yapay zekanın potansiyel uygulamaları gibi, değeri büyük ölçüde iş kalitesini iyileştirme yeteneğine veya daha olası olarak, işletme için alt çizgiyi iyileştirme yeteneğine bağlı olacak. Ancak, yapay zeka yeterince çekici tasarruflar sağlayabilirse, mevcut sistem altında yatırım geri dönüşü sağlama olasılığı düşük olan hastalıklar bile bir şans bulabilir. Bu, bir hype patlamasıyla sonuçlanabilir veya nadir hastalıklarla mücadele eden ailelere gerçek bir umut sunabilir.